一、培訓收益
通過此次課程培訓，可使學習者獲得如下收益：
1.深刻理解在“互聯(lián)網(wǎng)+”時代下大數(shù)據(jù)的產(chǎn)生背景、發(fā)展歷程和演化趨勢；
2.了解業(yè)界市場需求和國內(nèi)外{zx1}的大數(shù)據(jù)技術(shù)潮流，洞察大數(shù)據(jù)的潛在價值；
3.理解大數(shù)據(jù)項目解決方案及業(yè)界大數(shù)據(jù)應用案例，從而為企業(yè)在大數(shù)據(jù)項目中的技術(shù)選型及技術(shù)架構(gòu)設計提供決策參考；
4.掌握業(yè)界{zlx}的Hadoop與Spark大數(shù)據(jù)技術(shù)體系；
5.掌握大數(shù)據(jù)采集技術(shù)；
6.掌握大數(shù)據(jù)分布式存儲技術(shù)；
7.掌握NoSQL與NewSQL分布式數(shù)據(jù)庫技術(shù)；
8.掌握大數(shù)據(jù)倉庫與統(tǒng)計機器學習技術(shù)；
9.掌握大數(shù)據(jù)分析挖掘與商業(yè)智能（BI）技術(shù)；
10.掌握大數(shù)據(jù)離線處理技術(shù)；
11.掌握Storm流式大數(shù)據(jù)處理技術(shù)；
12.掌握基于內(nèi)存計算的大數(shù)據(jù)實時處理技術(shù)；
13.掌握大數(shù)據(jù)管理技術(shù)的原理知識和應用實戰(zhàn)；
14.深入理解大數(shù)據(jù)平臺技術(shù)架構(gòu)和使用場景；
15.嫻熟運用Hadoop與Spark大數(shù)據(jù)技術(shù)體系規(guī)劃解決方案滿足實際項目需求；
16.熟練地掌握基于Hadoop與Spark大數(shù)據(jù)平臺進行應用程序開發(fā)、集群運維管理和性能調(diào)優(yōu)技巧。
二、培訓特色
1.課程培訓業(yè)界{zlx}、應用最廣泛的Hadoop與Spark大數(shù)據(jù)技術(shù)體系。強化大數(shù)據(jù)平臺的分布式集群架構(gòu)和核心關(guān)鍵技術(shù)實現(xiàn)、大數(shù)據(jù)應用項目開發(fā)和大數(shù)據(jù)集群運維實踐、以及Hadoop與Spark大數(shù)據(jù)項目應用開發(fā)與調(diào)優(yōu)的全過程沙盤模擬實戰(zhàn)。
2.通過一個完整的大數(shù)據(jù)開發(fā)項目及一組實際項目訓練案例，wq覆蓋Hadoop與Spark生態(tài)系統(tǒng)平臺的應用開發(fā)與運維實踐。課堂實踐項目以項目小組的形式進行沙盤實操練習，重點強化理解Hadoop與Spark大數(shù)據(jù)項目各個階段的工作重點，同時掌握作為大數(shù)據(jù)項目管理者的基本技術(shù)與業(yè)務素養(yǎng)。
3.本課程的授課師資都是有著多年在一線從事Hadoop與Spark大數(shù)據(jù)項目的資深講師，采用原理技術(shù)剖析和實戰(zhàn)案例相結(jié)合的方式開展互動教學、強化以建立大數(shù)據(jù)項目解決方案為主體的應用開發(fā)、技術(shù)討論與交流咨詢，在學習的同時促進講師學員之間的交流，讓每個學員都能在課程培訓過程中學到實實在在的大數(shù)據(jù)技術(shù)知識體系，以及大數(shù)據(jù)技術(shù)應用實戰(zhàn)技能，具備實際大數(shù)據(jù)應用項目的動手開發(fā)實踐與運維管理部署能力。授課過程中，根據(jù)學員需求，增設交流環(huán)節(jié)，可將具體工作中遇到的實際問題展開討論，講師會根據(jù)學員的實際情況微調(diào)授課內(nèi)容，由講師帶著全部學員積極討論，并給出一定的時間讓學員上臺發(fā)言，現(xiàn)場剖析問題的癥結(jié)，規(guī)劃出可行的解決方案。
|
日程
|
培訓模塊
|
培訓內(nèi)容
|
|
{dy}天
上午
|
大數(shù)據(jù)技術(shù)基礎(chǔ)
|
1. 大數(shù)據(jù)的產(chǎn)生背景與發(fā)展歷程
2. 大數(shù)據(jù)的4V特征，以及與云計算的關(guān)系
3. 大數(shù)據(jù)應用需求以及潛在價值分析
4. 業(yè)界{zx1}的大數(shù)據(jù)技術(shù)發(fā)展態(tài)勢與應用趨勢
5. 大數(shù)據(jù)思維的轉(zhuǎn)變
6. 大數(shù)據(jù)項目的系統(tǒng)與技術(shù)選型，及落地實施的挑戰(zhàn)
7. “互聯(lián)網(wǎng)+”時代下的電子商務、制造業(yè)、交通行業(yè)、電信運營商、銀行金融業(yè)、電子政務、移動互聯(lián)網(wǎng)、教育信息化等行業(yè)應用實踐與應用案例介紹
|
|
|
業(yè)界主流的大數(shù)據(jù)技術(shù)方案
|
1. 大數(shù)據(jù)軟硬件系統(tǒng)全棧與關(guān)鍵技術(shù)介紹
2. 大數(shù)據(jù)生態(tài)系統(tǒng)全景圖
3. 主流的大數(shù)據(jù)解決方案介紹
4. Apache大數(shù)據(jù)平臺方案剖析
5. CDH大數(shù)據(jù)平臺方案剖析
6. HDP大數(shù)據(jù)平臺方案剖析
7. 基于云的大數(shù)據(jù)平臺方案剖析
8. 大數(shù)據(jù)解決方案與傳統(tǒng)數(shù)據(jù)庫方案比較
9. 國內(nèi)外大數(shù)據(jù)平臺方案與廠商對比
|
|
|
大數(shù)據(jù)計算模型（一）——批處理MapReduce
|
1. MapReduce產(chǎn)生背景與適用場景
2. MapReduce計算模型的基本原理
3. MapReduce作業(yè)執(zhí)行流程
4. MapReduce基本組件，JobTracker和TaskTracker
5. MapReduce高級編程應用，Combiner和Partitioner
6. MapReduce性能優(yōu)化技巧
7. MapReduce案例分析與開發(fā)實踐操作
|
|
{dy}天
下午
|
大數(shù)據(jù)存儲系統(tǒng)與應用實踐
|
1. 分布式文件系統(tǒng)HDFS產(chǎn)生背景與適用場景
2. HDFS master-slave系統(tǒng)架構(gòu)與讀寫工作原理
3. HDFS核心組件技術(shù)講解，NameNode與fsimage、editslog，DataNode與數(shù)據(jù)塊
4. HDFS Federation機制，viewfs機制，使用場景講解
5. HDFS高可用保證機制，SecondaryNameNode，NFS冷備份，基于zookeeper的HA方案
|
|
|
大數(shù)據(jù)實戰(zhàn)練習一
|
1. Hadoop平臺搭建、部署與應用實踐，包含HDFS分布式文件系統(tǒng)，YARN資源管理軟件，MapReduce計算框架軟件
2. HDFS shell命令操作
3. MapReduce程序在YARN上運行
|
|
第二天
上午
|
Hadoop框架與生態(tài)發(fā)展，以及應用實踐操作
|
1. Hadoop的發(fā)展歷程
2. Hadoop 1.0的核心組件JobTracker，TaskTracker，以及適用范圍
3. Hadoop 2.0的核心組件YARN工作原理，以及與Hadoop 1.0的聯(lián)系與區(qū)別
4. Hadoop YARN的資源管理與作業(yè)調(diào)度機制
5. Hadoop 常用性能優(yōu)化技術(shù)
|
|
|
大數(shù)據(jù)計算模型（二）——實時處理/內(nèi)存計算 Spark
|
1. MapReduce計算模型的瓶頸
2. Spark產(chǎn)生動機、基本概念與適用場景
3. Spark編程模型與RDD彈性分布式數(shù)據(jù)集的工作原理與機制
4. Spark實時處理平臺運行架構(gòu)與核心組件
5. Spark寬、窄依賴關(guān)系與DAG圖分析
6. Spark容錯機制
7. Spark作業(yè)調(diào)度機制
8. Spark standardalone，Spark on YARN運行模式
9. Scala開發(fā)介紹與Spark常用Transformation函數(shù)介紹
|
|
第二天
下午
|
大數(shù)據(jù)倉庫查詢技術(shù)Hive、SparkSQL、Impala，以及應用實踐
|
1. 基于MapReduce的大型分布式數(shù)據(jù)倉庫Hive基礎(chǔ)知識與應用場景
2. Hive數(shù)據(jù)倉庫的平臺架構(gòu)與核心技術(shù)剖析
3. Hive metastore的工作機制與應用
4. Hive 分區(qū)、分桶機制，Hive行、列存儲格式
5. 基于Spark的大型分布式數(shù)據(jù)倉庫SparkSQL基礎(chǔ)知識與應用場景
6. Spark SQL實時數(shù)據(jù)倉庫的實現(xiàn)原理與工作機制
7. SparkSQL程序開發(fā)與DataFrame機制介紹
8. 基于MPP的大型分布式數(shù)據(jù)倉庫Impala基礎(chǔ)知識與應用場景
9. Impala實時查詢系統(tǒng)平臺架構(gòu)、關(guān)鍵技術(shù)介紹，以及與Hive，SparkSQL的對比
|
|
|
Hadoop集群運維監(jiān)控工具
|
1. Hadoop運維管理監(jiān)控系統(tǒng)Ambari工具介紹
2. 第三方運維系統(tǒng)與工具Ganglia, Nagios
|
|
|
大數(shù)據(jù)實戰(zhàn)練習二
|
1.基于 Hadoop平臺搭建、部署與配置Spark集群，Spark shell環(huán)境實踐，Spark案例程序分析，Spark程序開發(fā)與運行
2. 基于MapReduce的Hive數(shù)據(jù)倉庫實踐，Hive集群安裝部署，基于文件的Hive數(shù)據(jù)倉庫表導入導出與分區(qū)操作，Hive SQL操作，Hive客戶端操作
3. 基于Hive的SparkSQL shell實踐操作
|
|
第三天
上午
|
大數(shù)據(jù)計算模型（三）——流處理Storm, SparkStreaming
|
1. 流數(shù)據(jù)處理應用場景與流數(shù)據(jù)處理的特點
2. 流數(shù)據(jù)處理工具Storm的平臺架構(gòu)與集群工作原理
3. Storm關(guān)鍵技術(shù)與并發(fā)機制
4. Storm編程模型與基本開發(fā)模式
5. Storm數(shù)據(jù)流分組
6. Storm可靠性保證與Acker機制
7. Storm應用案例分析
8. 流數(shù)據(jù)處理工具Spark Streaming基本概念與數(shù)據(jù)模型
9. SparkStreaming工作機制
10. SparkStreaming程序開發(fā)介紹
11. Storm與SparkStreaming的對比
|
|
第三天
下午
|
大數(shù)據(jù)ETL操作工具，與大數(shù)據(jù)分布式采集系統(tǒng)
|
1. Hadoop與DBMS之間數(shù)據(jù)交互工具的應用
2. Sqoop導入導出數(shù)據(jù)的工作原理
3. Flume-NG數(shù)據(jù)采集系統(tǒng)的數(shù)據(jù)流模型與系統(tǒng)架構(gòu)
4. Kafka分布式消息訂閱系統(tǒng)的應用介紹與平臺架構(gòu)，及其使用模式
|
|
|
面向OLTP型應用的NoSQL數(shù)據(jù)庫及應用實踐
|
1. 關(guān)系型數(shù)據(jù)庫瓶頸，以及NoSQL數(shù)據(jù)庫的發(fā)展，概念，分類，及其在半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)場景下的適用范圍
2. 列存儲NoSQL數(shù)據(jù)庫HBase簡介與數(shù)據(jù)模型剖析
3. HBase分布式集群系統(tǒng)架構(gòu)與讀寫機制，ZooKeeper分布式協(xié)調(diào)服務系統(tǒng)的工作原理與應用
4. HBase表設計模式與primary key設計規(guī)范
5. 文檔NoSQL數(shù)據(jù)庫MongoDB簡介與數(shù)據(jù)模型剖析
6. MongoDB集群模式、讀寫機制與常用API操作
8.鍵值型NoSQL數(shù)據(jù)庫Redis簡介與數(shù)據(jù)模型剖析
9.Redis多實例集群架構(gòu)與關(guān)鍵技術(shù)
10.NewSQL數(shù)據(jù)庫技術(shù)簡介及其適用場景
|
|
|
大數(shù)據(jù)實戰(zhàn)練習三
|
1.Sqoop安裝、部署與配置，基于Sqoop、MySQL與Hive操作MySQL數(shù)據(jù)庫與Hive數(shù)據(jù)倉庫數(shù)據(jù)導入導出
2.Kafka安裝、部署與配置，基于Kafka創(chuàng)建和消費topic實踐操作
3.Flume+HDFS+MapReduce/Spark大數(shù)據(jù)采集、存儲與分析實踐操作
|
|
|
大數(shù)據(jù)項目選型、實施、優(yōu)化等問題交流討論
|
大數(shù)據(jù)項目的需求分析、應用實施、系統(tǒng)優(yōu)化，以及解決方案等咨詢與交流討論
|
|
第四天
|
學習考核與業(yè)內(nèi)經(jīng)驗交流
|
廣告
